Bài giảng Trí tuệ nhân tạo - Bài 4: Tìm kiếm kinh nghiệm (heuristic)

Trong bài 4 chúng ta sẽ cùng tìm hiểu về tìm kiếm kinh nghiệm thông qua các nội dung sau đây: Giải quyết bài toán bằng tìm kiếm heuristic, giải thuật Heuristic, phép đo heuristic, tìm kiếm tốt nhất-đầu tiên, giải thuật Leo đồi,...và một số nội dung khác.

Lec 4

Tìm kiếm kinh nghiệm (heuristic)

 Heuristics: là các phỏng đoán, ước chừng dựa

trên kinh nghiệm, trực giác.

 Các hệ giải quyết AI sử dụng heuristic trong

hai tình huống cơ bản:

– Bài toán được định nghĩa chính xác nhưng chi phí tìm

lời giải bằng TK vét cạn là không thể chấp nhận.

VD: Sự bùng nổ KGTT trong trò chơi cờ vua

– Vấn đề với nhiều sự mơ hồ trong lời phát biểu bài

toán hay dữ liệu cũng như tri thức sẵn có

VD: Chẩn đoán trong y học

Giải quyết bài toán bằng tìm kiếm

Giải thuật Heuristic

 Một giải thuật heuristic có thể được xem gồm 2 phần:

– Phép đo heuristic: thể hiện qua hàm đánh giá

heuristic (evaluation function), dùng để đánh giá các

đặc điểm của một trạng thái trong KGTT

– Giải thuật tìm kiếm heuristic:

• Tìm kiếm tốt nhất-đầu tiên (best-first search): Tìm kiếm

theo chiều rộng + hàm đánh giá

• Tìm kiếm leo đồi (hill-climbing): Tìm kiếm theo chiều sâu +

hàm đánh giá

KGTT của tic-tac-toe được thu nhỏ nhờ tính đối xứng

của các trạng thái

Phép đo heuristic

Heuristic “Số đường thắng nhiều nhất” áp dụng cho các

nút con đầu tiên trong tic-tac-toe

Tìm kiếm tốt nhất-đầu tiên

Procedure Best-first search;

Begin

1 Khởi tạo danh sách L chỉ chứa trạng thái đầu;

2 Loop do

2.1 If L rỗng then {thông báo thất bại; stop};

2.2 Loại trạng thái u ở đầu danh sách L;

2.3 If u là trạng thái kết thúc then

{thông báo thành công; stop};

2.4 For mỗi trạng thái v kề u do

Chèn v vào danh sách L sao cho L được sắp theo thứ tự tăng dần của hàm đánh giá;

Ví dụ:tìm kiếm tốt nhất-đầu tiên

20 6

7

8 12

5 3

0 15

G

K E

3 0

Giải thuật Leo đồi

2.1 If L rỗng then {thông báo thất bại; stop};

2.2 Loại trạng thái u ở đầu danh sách L;

2.3 If u là trạng thái kết thúc then

{thông báo thành công; stop};

2.4 For mỗi trạng thái v kề u do đặt v vào L1; 2.5 Sắp xếp L theo thứ tự tăng dần của hàm đánh giá sao cho trạng thái tốt

Giải thuật Leo đồi

 Giới hạn:

– Giải thuật có khuynh hướng bị sa lầy ở những cực đại cục bộ:

 Lời giải tìm được không tối ưu

 Không tìm được lời giải mặc dù có tồn tại lời giải– Giải thuật có thể gặp vòng lặp vô hạn do không lưu giữ thông tin về các trạng thái đã duyệt

Ví dụ: tìm kiếm leo đồi

20 6

7

8 12

5 3

0

15

Đồ thị không gian trạng thái

KGTT càng thu nhỏ khi áp dụng heuristic

Giải thuật TK tốt nhất

1 open = [A5]; closed = []

2 Đánh giá A5; open = [B4,C4,D6];

Giải thuật Beam

Tìm kiếm beam (beam search) giống tìm kiếm theo

chiều rộng Tuy nhiên, trong tìm kiếm Beam ở mỗi

mức chỉ hạn chế phát triển k đỉnh tốt nhất (các đỉnh

này được xác định bởi hàm đánh giá)

Ví dụ: Trong ví dụ trên lấy k=2

H

G

K E

Cài Đặt Hàm Đánh Giá (Evaluation Function)

g(n) = khoảng cách thực sự từ n đến trạng thái bắt đầu

h(n) = hàm heuristic đánh giá khoảng cách từ trạng thái n đến

mục tiêu

Khó khăn trong thiết kế hàm heuristic

Heuristic trong trò chơi đối kháng

 Giải thuật minimax:

– Hai đấu thủ trong trò chơi được gọi là MIN và MAX.

• Nếu trạng thái cha mẹ là MAX, gán cho nó giá trị lớn nhất

có trong các trạng thái con.

Hãy áp dụng GT Minimax vào

Trò Chơi NIM

Minimax với độ sâu lớp cố định

 Minimax đối với một KGTT giả định.

 Các nút lá được gán các giá trị heuristic

 Còn giá trị tại các nút trong là các giá trị nhận

Heuristic trong trò chơi tic-tac-toe

Trong đó: M(n) là tổng số đường thắng có thể của tôi

O(n) là tổng số đường thắng có thể của đối thủ

Minimax 2 lớp được áp dụng vào

nước đi mở đầu trong tic-tac-toe